Of u nu een restaurant kiest of de bestemming voor uw volgende vakantie, het nemen van beslissingen over smaakkwesties kan belastend zijn.

Nieuw onderzoek van Cornell wijst op effectievere manieren om een ​​besluit te nemen - en werpt licht op hoe we de mening van anderen kunnen gebruiken om onze eigen beslissingen te nemen. Het werk kan ook gevolgen hebben voor de manier waarop online aanbevelingsalgoritmen worden ontworpen en geëvalueerd.

De krant, gepubliceerd op 28 mei in Natuur Menselijk gedrag , suggereert dat mensen die veel ervaringen hebben opgedaan in een bepaalde arena – of het nu gaat om restaurants, hotels, films of muziek – kunnen er baat bij hebben vooral te vertrouwen op de meningen van vergelijkbare mensen (en de meningen van anderen met verschillende smaken buiten beschouwing te laten). In tegenstelling tot, mensen die niet veel ervaringen hebben gehad, kunnen hun gelijkenis met anderen niet betrouwbaar inschatten en kunnen beter de reguliere optie kiezen.

"Onze bevindingen bevestigen dat zelfs op het gebied van smaak, waar de voorkeuren en antipathieën van mensen zo verschillend zijn, de wijsheid van de menigte is voor veel mensen een goede manier om te gaan, " zei hoofdauteur Pantelis P. Analytis, een postdoctoraal onderzoeker bij de afdeling Informatiewetenschappen van Cornell.

Analytis schreef samen met Daniel Barkoczi van Linköping University "Social Learning Strategies for Matters of Taste" Zweden, en Stefan M. Herzog van het Max Planck Instituut voor Menselijke Ontwikkeling, Berlijn.

Maar hoeveel restaurants (of films of muziekalbums) moet u proberen voordat u vertrouwt op de meningen van anderen die schijnbaar uw smaak delen, in plaats van de wijsheid van de menigte? Het hangt allemaal af van hoe mainstream (of alternatief) iemands smaak is en hoeveel hun leeftijdsgenoten verschillen in hun gelijkenis met hen, aldus Analytis. "Voor mensen met een mainstream smaak, de wijsheid van de menigte presteert vrij goed, en er is weinig te winnen door gewichten toe te kennen aan anderen. Daarom, alleen mensen die veel opties hebben ervaren, kunnen het beter doen dan de wijsheid van de menigte te gebruiken, " zei hij. "Voor mensen met alternatieve smaken, in tegenstelling tot, de wijsheid van de menigte is misschien een slecht idee. Liever, ze zouden het tegenovergestelde moeten doen van wat de menigte verkiest."

De onderzoekers onderzochten de prestaties van verschillende sociale leerstrategieën door computersimulaties uit te voeren met gegevens van Jester, een engine voor het aanbevelen van grappen; ontwikkeld aan de Universiteit van Californië, Berkeley, eind jaren negentig, het draait sindsdien online. Met de interface kunnen gebruikers maximaal 100 grappen beoordelen op een schaal van "niet grappig" (-10) tot "grappig" (+10). Een vroeg burgerwetenschapsproject, het is de enige beschikbare gegevensset van het aanbevelingssysteem waarin veel mensen alle opties hebben geëvalueerd.

De bevindingen suggereren dat mensen hun eigen voorkeuren kunnen leren op dezelfde manier waarop algoritmen van aanbevelingssystemen beoordelen welke opties mensen het leukst vinden, licht werpen op onze eigen cognitie "Wij mensen hebben de krachtigste computer die ooit heeft bestaan ​​en draaien voortdurend algoritmen in ons hoofd. We proberen te laten zien wat die algoritmen kunnen zijn en wanneer ze naar verwachting zullen gedijen, " zei Barkoczi. In dat opzicht, het nieuwe onderzoek slaat bruggen tussen de gedrags- en sociale wetenschappen en de gemeenschap van aanbevelingssystemen. De velden hebben gekeken naar opinieaggregatie met behulp van zeer verschillende terminologie, toch lijken de onderliggende principes erg op elkaar, zei Barkoczi. "We hebben veel energie gestoken in dit werk om concepten te ontwikkelen die deze parallelle literatuur zouden kunnen kruisbestuiven."

Het onderzoek heeft ook implicaties voor de manier waarop online aanbevelingsalgoritmen worden ontworpen en geëvalueerd. Tot dusver hebben wetenschappers in de gemeenschap van aanbevelingssystemen verschillende aanbevelingsalgoritmen op geaggregeerd niveau bestudeerd. ongeacht hoe elk algoritme presteert voor elk individu in de dataset. In tegenstelling tot, dit onderzoek toont aan dat er potentieel is om deze strategieën op individueel niveau te evalueren. "In ons werk we laten zien dat de prestaties van de strategieën voor verschillende individuen sterk uiteenlopen. Deze individuele niveauverschillen werden voor het eerst systematisch ontdekt, ' zei Herzog.

Dit houdt in dat de gegevens van elk individu kunnen worden gezien als een gegevensset met verschillende eigenschappen, genest binnen een overkoepelende datasetstructuur van het aanbevelingssysteem. "Filmaanbevelingssystemen zoals die gebruikt worden door Netflix kunnen 'leren' of individuen mainstream of alternatieve smaken hebben en vervolgens hun aanbevelingsalgoritmen selecteren op basis daarvan. in plaats van voor iedereen dezelfde personalisatiestrategieën te gebruiken, ' zei Herzog.

Volgens een eeuwenoud gezegde, over smaak valt niet te twisten. "Dit werk, in tegenstelling tot, laat zien dat de beste leerstrategie voor elk individu niet subjectief is, "Analytis zei, "maar is eerder onderhevig aan rationele argumentatie."